機器學習開發者指南（簡體書）

本書將帶領讀者學習如何實施各種機器學習技術及其日常應用的開發。本書分為9章，從易於掌握的語言基礎數據和數學模型開始，向讀者介紹機器學習領域中使用的各種庫和框架，然後通過有趣的示例實現回歸、聚類、分類、神經網絡等，從而解決如圖像分析、自然語言處理和時間序列數據的異常檢測等實際問題。
本書適合機器學習的開發人員、數據分析人員、機器學習領域的從業人員，以及想要學習機器學習的技術愛好者閱讀。使用任何腳本語言的編程人員都可以閱讀本書，但如果熟悉Python語言的話，將有助於充分理解本書的內容。

[阿根廷]魯道夫·邦寧(Rodolfo Bonnin)，是阿根廷國家科技大學的系統工程師，博士。他在德國斯圖加特大學學習並行編程和圖像理解的研究生課程。自2005年以來，他一直在研究高性能計算，並於2008年開始研究和實現卷積神經網絡，編寫支持CPU和GPU的神經網絡前饋階段。最近，他一直致力於利用神經網絡進行欺詐模式檢測的工作，並使用機器學習技術進行信號分類。他也是《Tensorflow機器學習項目實戰》的作者。

1.使用Python語言實現代碼，清晰簡潔地解讀機器學習深層概念。
2.讀者通過大量的示例詳細闡述了機器學習的相關概念，能夠快速掌握廣泛使用的回歸、聚類、神經網絡等機器學習算法/技術，並將這些概念應用于日常應用和開發。
閱讀本書，你將學到：
·通過簡單易懂的方法學習數學和機器學習的原理；
·瞭解廣泛使用的機器學習算法和技術，並掌握它們解決實際問題的方法；
·通過流行的編程框架瞭解先進概念；
·為從事機器學習領域的工作做好準備；
·瞭解知名的強大的工具，並運用這些工具解決機器學習中涉及的計算問題；
·掌握當前機器學習領域的概念，並將這些概念應用於有趣的前沿問題。

第 1章 機器學習和統計科學 1
1.1 機器學習的發展 2
1.2 編程語言與庫 6
1.3 基本數學概念 11
1.3.1 統計學――不確定性建模的基本支柱 11
1.3.2 概率與隨機變量 14
1.3.3 概率函數的統計度量 21
1.3.4 微分基礎 22
1.3.5 預備知識 22
1.4 小結 27
第 2章 學習過程 28
2.1 理解問題 28
2.2 數據集定義與檢索 30
2.2.1 ETL過程 30
2.2.2 加載數據與使用Scipy和Pandas進行探索分析 31
2.2.3 與IPython交互 32
2.2.4 二維數據處理 34
2.3 特徵工程 37
2.3.1 缺失數據估算 37
2.3.2 獨熱編碼 38
2.4 數據預處理 39
規範化和特徵縮放 39
2.5 模型定義 41
提出正確的問題 41
2.6 損失函數定義 42
2.7 模型擬合和評價 43
數據集劃分 43
2.8 模型應用與結果分析 44
2.8.1 回歸指標 45
2.8.2 分類指標 46
2.8.3 聚類質量評估 48
2.9 小結 50
第3章 聚類 51
3.1 分組―― 一種人類行為 51
3.2 自動化聚類過程 52
3.3 尋找一個共同的中心―― K-means 53
3.3.1 K-means的優缺點 56
3.3.2 K-means算法分解 56
3.3.3 K-means算法實現 58
3.4 最近鄰(Nearest Neighbors) 62
3.5 K-NN算法實現示例 64
3.6 算法擴展 67
3.7 小結 68
第4章 線性回歸和邏輯回歸 69
4.1 回歸分析 69
回歸的應用 70
4.2 線性回歸 71
4.2.1 代價函數的確定 72
4.2.2 分析方法 74
4.2.3 協方差和相關性 75
4.2.4 尋找協方差和相關性的斜率和截距 77
4.2.5 梯度下降法 79
4.2.6 遞歸過程表示 83
4.3 實踐中的數據研究和線性回歸 86
4.3.1 鳶尾花數據集 87
4.3.2 線性回歸與梯度下降 93
4.4 邏輯回歸 103
4.4.1 線性回歸和邏輯回歸 103
4.4.2 logit函數 105
4.4.3 應用邏輯回歸建立心臟疾病模型的實例 109
4.5 小結 112
第5章 神經網絡 113
5.1 神經模型的歷史 114
5.1.1 感知器模型 115
5.1.2 改進預測結果――ADALINE算法 116
5.1.3 感知器和ADALINE之間的異同 118
5.1.4 單層和多層感知器 120
5.2 使用單層感知器實現簡單的功能 124
5.2.1 定義並繪製傳遞函數類型 124
5.2.2 表示和理解傳遞函數 125
5.2.3 Sigmoid函數或邏輯函數 126
5.2.4 使用Sigmoid函數 126
5.2.5 修正線性單元 128
5.2.6 線性傳遞函數 129
5.2.7 定義損失函數 130
5.3 小結 136
第6章 卷積神經網絡 137
6.1 卷積神經網絡的起源 137
6.1.1 從卷積開始 138
6.1.2 卷積核和卷積 140
6.1.3 在實例中實現二維離散卷積 143
6.1.4 下採樣(池化) 146
6.1.5 通過Dropout操作提高效率 148
6.2 深度神經網絡 149
6.2.1 深度卷積網絡框架的發展 149
6.2.2 深度卷積神經網絡解決的問題類型 154
6.3 使用Keras部署一個深度神經網絡 156
6.4 用Quiver開發卷積模型 158
6.4.1 用Quiver開發卷積網絡 158
6.4.2 遷移學習的實現 162
6.5 小結 167
第7章 循環神經網絡 168
7.1 按順序解決問題―― RNN 168
7.1.1 RNN的定義 169
7.1.2 RNN的發展 169
7.2 LSTM 172
7.2.1 門和乘法運算 172
7.2.2 設置遺忘參數(輸入門) 174
7.2.3 設置保持參數 174
7.2.4 修改單元 175
7.2.5 輸出過濾後的單元狀態 175
7.3 採用電能消耗數據預測單變量時間序列 176
數據集的描述和加載 176
7.4 小結 182
第8章 近期的新模型及其發展 183
8.1 GAN 183
GAN的應用類別 184
8.2 強化學習 188
8.2.1 馬爾可夫決策過程 189
8.2.2 優化馬爾可夫過程 190
8.3 基本強化學習技術：Q學習 191
8.4 小結 193
第9章 軟件安裝與配置 194
9.1 Linux系統環境安裝 194
9.1.1 初始配置要求 195
9.1.2 Anaconda安裝 195
9.1.3 pip安裝 200
9.2 macOS X系統環境安裝 201
9.2.1 Anaconda安裝 201
9.2.2 pip安裝 204
9.3 Windows系統環境安裝 205
Anaconda安裝 205
9.4 小結 208
參考資料 209